基于图卷积神经网络-双向门控循环单元及注意力机制的风电功率短期预测模型

摘要

风电功率的准确预测对电力系统的稳定运行意义重大，针对传统组合模型难以充分挖掘变量间潜在依赖性，导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入，首先利用皮尔逊相关性分析筛选特征，然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系，接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征，最后引入注意力机制(attentional mechanisms,AM)分配权重，实现风电功率短期预测。以某风电场实测数据为例进行算例分析，实验结果表明，该文方法在单步及多步预测中相比其他方法有更好的预测精度。

关键词

风电功率预测 / 混合深度神经网络 / 图卷积神经网络 / 双向门控循环单元 / 注意力机制